Token——衡量和定价AI使用量的基本单位——已迅速成为企业最重要的指标之一。企业级AI模型定价已从静态订阅模式转向动态的按使用量计费模式，不断攀升的AI消耗已将最初的生产力实验转变为潜在的利润压力来源。由于token费用通常随处理和生成的文本量而上升，员工采用率的提高可能很快转化为比传统软件许可更难预测的变动成本。首席执行官们陷入了进退两难的境地。

AI并非那种可以随意开启和关闭的软件工具。过去一年中，大语言模型已深度嵌入各类业务流程，所有迹象都表明这种依赖将持续存在。盲目限制AI使用——这是许多高管团队正在考虑的做法——不仅会减缓企业已取得的增长和效率提升，还会因抑制实验探索而使企业在迎接下一代AI能力时准备不足。

风险在于，高管们会陷入反复调整AI支出以平衡下一季度预算的陷阱，从而错失AI在系统性治理而非被动应对下所能带来的根本性业务变革。

AI采用的第二阶段

商业世界已进入AI采用的第二阶段，核心任务已从快速展示能力和进展，转向证明企业能够从AI中提取最大价值而不威胁其盈利底线。这一可持续采用阶段很快将揭示一条对企业格局产生深远影响的分界线——能够以经济高效的方式管理和扩展AI的组织与无法做到这一点的组织之间的分化。Token成本仅仅是更广泛治理问题的第一个可见症状。

两个关键假设导致了这一拐点。第一个假设是一个诱人但最终存在缺陷的论点：AI将使企业能够用模型成本替代人力成本，并将效率差额转化为利润。这种权衡远没有想象中那么简单。许多接受了这一理念、为了迎接AI驱动的生产力提升而裁减人员的组织，发现它们流失了有效整合和优化AI系统所需的机构知识和关键工程人才。

这一认识正在冲击那些进行了大规模裁的公司。在一个引人注目的近期案例中，福特表示必须重新招聘数百名工程师，以解决新实施的AI工具带来的质量控制问题。高管们直接指出，资深专业知识的缺乏对产品开发产生了负面影响，并限制了自主系统的效率提升。

第二个假设涉及投资者与管理团队之间的认知错位。在Teneo最新的年度CEO与投资者调查中，53%的投资者期望在六个月内从AI获得投资回报，而仅有16%的大型企业CEO认为他们能在该时间线内实现这一目标。这一截止日期已经到来。这种差距之所以重要，是因为AI项目往往需要先对工作流程、数据实践、供应商管理和员工培训进行调整，才能可靠地衡量收益，这使得短期回报窗口难以与企业技术通常的采用方式相匹配。

给董事会和CEO的五项建议

建立规范化AI治理的时间窗口仍然开放，但不会无限期持续。两家公司的作者团队与全球数千位CEO和董事会合作应对这些挑战。以下是目前的指导建议。

第一，重新定义董事会层面的AI对话。 停止追问在AI上花了多少钱。开始关注AI投资在哪里创造了持久的竞争优势——以及在哪里只是在产生消耗却未带来复利价值。

第二，将AI支出视为资本配置决策，而非IT预算条目。 能够带来新收入、创造差异化客户体验或构建专有能力的使用属于增长投资。仅仅是自动化低价值流程的使用则属于运营支出。这一区分也为董事会提供了更清晰的方式来将AI项目与其他战略性资本用途进行比较，而非将所有模型消耗视为一种无差别的技术成本。

第三，建立将工作负载匹配到能够可靠完成的最低成本模型的治理机制。 员工自然会倾向于最新、最强大的模型，即使较早一代的模型就能产生所需的输出。一种实际的实施方案可能涉及一个软件层，能够接收提示并自动将其路由到合适的模型。

第四，重塑围绕AI使用的激励机制。 不应因员工使用AI最多而给予奖励——这是许多公司在早期急于向投资者展示其采用先进程度的本能反应。也不应通过生硬的使用上限来惩罚员工，因为这可能无意中扼杀创新。相反，组织应当奖励高效的AI使用：在适当的AI消耗水平下实现更好的业务成果。正如《华尔街日报》的一篇分析所指出的，目标不是最大化使用量，而是最大化每个token的价值。

第五，在全组织范围内推行AI治理。 AI治理不能委托给首席AI官等单一角色。各职能部门的经理都需要对其团队内可持续AI采用的指导工作负责。相应地，员工也需要实际支持，既要了解其AI使用如何被评估，也要培养在长期内有意义且高效地利用AI做出贡献所需的技能。

前进之路

在AI采用的这一阶段中胜出的公司，不会是使用AI最多的，也不会是花费最少的。而是那些治理能力最强的——能够持续将AI消耗转化为持久经济优势的公司。在这种技术快速演进的背景下实现平衡确实困难，然而如果这种平衡处理不当，可能很快就会成为事关存亡的问题。

Fortune.com评论文章中表达的观点仅代表作者个人看法，不一定反映Fortune的观点和立场。

本文最初发布于Fortune.com。